深圳无尽递归智能科技推出 The Trinity 递归自我改进框架，一改过去 RSI 递归自增强围绕单个任务优化的思路，改用能力作为演化核心单位，依靠 Creator、Explorer、Evolver 三大角色协同，实现环境生成和 Harness 协同进化，让智能体学到的能力可以跨任务、跨模态复用，在训练集和没见过的新任务上都拿到明显性能提升。传统 RSI 大多是任务驱动模式，每一个任务单独优化，模型学会的能力很难迁移到别的任务，而且搭建多样化、可验证的仿真环境成本很高，人工迭代 Harness 的速度跟不上任务越来越复杂的节奏；The Trinity 的核心思路就是，很多表面不一样的任务底层其实共用同一套基础能力，把任务拆解、归类到能力树，而不是按任务本身分类，就能沉淀可复用的智能模块，解决迁移性差的痛点。
一、The Trinity 三大核心角色清单
- Creator：负责生成仿真环境，抽象同类能力的通用场景，做 Real2Sim2Real 虚实迁移
- Explorer：沿着能力树迭代可复用能力模块，通过选择性继承形成 Harness 树
- Evolver：分析智能体执行轨迹，把任务树转化为层级化能力树，完成能力归类
二、实验效果对照表
| 测试分组 | 基准数量 | 平均得分提升 | 说明 |
|---|---|---|---|
| 训练基准 | 28 个 | +34.1 分 | 模型见过的任务，提升幅度更高 |
| 未见基准 | 18 个 | +26.2 分 | 全新陌生任务，验证迁移能力 |
三、整套范式落地步骤
第一步：梳理全部任务，构建原始 Task Tree 任务树，记录每个任务的执行轨迹；
第二步：Evolver 分析轨迹，提炼底层能力，把任务树转换为 Capability Tree 能力树；
第三步：Creator 针对同一个能力节点，生成简化、可验证的仿真环境；
第四步：Explorer 在能力树上迭代模块，形成 Harness Tree，搭配感知路由选择适配模块；
第五步：在真实任务上验证虚实迁移效果，循环多轮 RSI 持续迭代能力。
四、该范式的价值
这套能力驱动的多模态 RSI 新范式，跳出了 “为单个任务优化” 的老路，适合机器人、具身智能这类多模态场景，为智能体持续自主进化提供新路线。
【相关 FAQ】
问题 1：The Trinity 提出能力驱动的多模态 RSI 新范式，和传统任务驱动 RSI 差别在哪？
回答 1：The Trinity 提出能力驱动的多模态 RSI 新范式，传统 RSI 围绕单个任务优化，能力很难跨任务复用；新范式以能力作为演化单位，把不同任务按底层能力归类，沉淀通用模块，跨任务、跨模态迁移效果更好。
问题 2：The Trinity 能力驱动的多模态 RSI 新范式里，Creator、Explorer、Evolver 分别干什么？
回答 2：The Trinity 能力驱动的多模态 RSI 新范式里，Creator 生成仿真环境，Explorer 迭代能力模块，Evolver 负责把任务树转化为能力树，三者协同完成智能体递归自增强。
问题 3：The Trinity 这套能力驱动的多模态 RSI 新范式，实际测试效果怎么样？
回答 3：The Trinity 这套能力驱动的多模态 RSI 新范式，四轮 RSI 之后，28 个训练基准平均提升 34.1 分，18 个未见基准平均提升 26.2 分，同时具备向真实机器人任务迁移的潜力。
【参考资料】
[2026-11-11]（不再围绕任务进化！The Trinity 提出能力驱动的多模态 RSI 新范式）机器之心 Pro
[2026-11-11]（不再围绕任务进化！The Trinity 提出能力驱动的多模态 RSI 新范式）网易订阅
[2026-10-26]（The Trinity:Capability-Driven Recursive Self-Improvement for Multimodal Agents）arXiv
[2026-11-11]（The Trinity 新范式解读：从任务进化转向能力进化）AI 科技评论
【免责声明】
本文内容仅为 AI 前沿论文资讯整理，不构成技术落地、项目投资建议；相关实验数据来自论文公开实验结果，真实场景落地效果存在不确定性；框架技术细节、后续迭代进展以团队官方论文与发布公告为准。